如时间序列不平稳,称为“非平稳序列” ,包括如下三种情形:函数
对于 I(0)序列,因为它是平稳的,故长期而言有回到其指望值的趋势。这种性质称为“均值回复” 。3d
非平稳的 I(1)序列会“处处乱跑” ,没有上述性质。好比,随机游走的方差愈来愈大,趋向无穷。blog
I(0)序列对过去行为只有有限记忆,即发生在过去的扰动项对将来的影响随时间而衰减。io
I(1)序列则对过去行为有无限长的记忆,即任何过去的冲击都将永久地改变将来的整个序列。table
什么状况下, ARMA(p, q)才平稳?
MA(q)是平稳的,由于它是有限个白噪声的线性组合。ARMA(p, q)的平稳性仅取决于 AR(p)的部分class
稳定解:特征方程的全部解须落在复平面上的单位圆以外。若是特征方程的某个根落在单位圆以内,则为爆炸式增加的非平稳过程。
若是某个根正好落在单位圆之上,则称为“单位根” ,好比随机游走的情形。效率
AR(p)的平稳性条件可推广到多维 VAR(p)的情形变量
对于 AR(1)模型,通常认为不可能出现自回归系数大于1的情形;不然任何对经济的扰动都将被无限放大。
一般只担忧单位根的情形,即β1=1 。
若是时间序列存在单位根,为非平稳序列,可能带来如下问题:bfc
如何避免伪相关或伪回归?方法
关于常数项与时间趋势项
ADF 检验是否应带常数项或时间趋势项, 首先应从理论上考虑。好比,考察 GDP 对数是否有单位根,通常应包含时间趋势项;而利率、汇率等不该有时间趋势项。也可经过画时间序列图大体判断有无长期趋势。如无从判断,为稳健起见,可把各类状况都进行检验。
关于滞后阶数 p 的肯定
单整阶数肯定
*导入数据集
use nelson_plosser.dta, clear
*画图
tsline lrgnp lun if year >= 1890, lp(dash) xlabel(1890(10)1970)
实际 GNP 对数(虚线)有明显的上升趋势;且较为光滑,当期值强烈依赖于上期值,自回归系数接近于 1,可能为单位根过程。失业率对数看不出有什么趋势,较不光滑,自回归系数明显小于 1,不太可能为单位根过程。
情形 2,虽然真实模型不含漂移项(无常数项),但在 ADF 检验的回归方程中依然包括了常数项。
先考虑带常数项和时间趋势项:
*DF检验
dfuller lrgnp, trend
因为 DF 统计量 Z(t)为–2.026 > –3.489(左边单侧检验), 故可在5%的水平上接受“存在单位根”的原假设。
考虑到扰动项可能存在自相关,使用更高阶的ADF检验:
ADF检验
di 12(62/100)^(1/4)
dfuller lrgnp, lags(9) trend reg
如下是p hat =10进行的ADF检验:
时间趋势项(_trend)很显著( p值为 0.017),但最后一阶滞后项L9D.)在 5%的水平上并不显著。依次去p=9,...3,进行ADF检验,会发现最后一阶滞后项仍不显著
接下来令p hat = 2有:
*ADF检验
dfuller lrgnp, lags(1) trend reg
最后一阶滞后项(LD.)在 1%的水平上显著地不等于 0。ADF 统计量 Z(t)为–2.994 > –3.490,没法在 5%的水平上拒绝单位根的原假设。可认为实际 GNP 对数 lrgnp 含有单位根。
检验lrgnp的一阶差分是否为平稳过程:
*画图
tsline d.lrgnp if year >= 1890, xlabel(1890(10)1970)
由上图可知d.lrgnp 已不存在时间趋势,检验时不带时间趋势项
*DF检验
dfuller d.lrgnp
ADF 统计量 Z(t)为–5.322 < –3.566,可在 1%的水平上拒绝单位根的原假设,认为lrgnp 为平稳过程。
由此可知, lrgnp 为 I(1)过程
对于单位根变量,传统的处理方法是先差分,而后对平稳序列建模。但差分后变量的经济含义与原序列并不相同,而有时仍但愿用原序列进行回归。若是多个单位根变量之间因为某种经济力量而存在“长期均衡关系” ,则可能进行这种回归。例如:短时间利率与长期利率可能都是单位根过程,且两者的走势很类似。
基本思想:若是多个单位根序列拥有“共同的随机趋势”, 则可对这些变量做适当的线性组合而消去此随机趋势,从而获得平稳序列。
*导入数据集
use macro_3e.dta, clear
*设定时间序列
tsset time
*画图
tsline fygm3 fygt1, lp(dash)
一组 I(1)变量之间协整关系的个数称为“协整秩” (cointegrationrank),即线性无关的协整向量的个数
如何判断一组 I(1)变量间是否存在协整关系?
首先,这些变量须在理论上可能存在长期均衡关系;不然,协整分析没有意义。
其次,若是只有两个变量,可直接画图,看两者时间趋势。但此法不严格,也不适用于两个以上的变量。
Engle and Granger (1987)提出EG-ADF 检验
EG-ADF 法的缺点是,不能处理存在多个协整关系的情形。
因为 EG-ADF 法分两步进行,第一步估计的偏差被带到第二步中,故不是最有效率的方法。比 EG-ADF 法更有效率的方法是 MLE,同时估计全部参数。
协整分析通常主要关注长期均衡关系(协整关系),不太关心短时间调整过程。
*导入数据集
use mpyr.dta, clear
*画图
tsline logmr logy r, lp(solid dash shortdash) xlabel(1900(10)1990)
从图中能够得知:
第一步肯定该系统的协整秩,即究竟有多少个线性无关的协整关系
*检验VAR滞后阶数
varsoc logmr logy r
AIC选择滞后二阶,BIC选择滞后一阶,为了保守起见,选择滞后二阶
*协整秩检验
vecrank logmr logy r, lags(2) trend(trend) max
所以,选择协整秩为1
第二步,使用MLE方法估计该协整系统的向量偏差修正模型(VECM)
*VECM
vec logmr logy r, lags(2) rank(1)
以上为VECM和协整方程,主要对货币需求函数感兴趣,即协整方程所表明的长期均衡关系。
第三步,对模型的假设进行诊断性检验,主要包括残差有无自相关,模型的平稳性
*残差的自相关检验(LM)
veclmar
可接受“无自相关”的原假设
*VECM系统稳定性
vecstable, graph
除了 VECM 模型自己所假设的单位根以外,伴随矩阵的全部特征值均落在单位圆以内,故是稳定系统。